Assessing the Native Plant Species for Phytoremediation of Freshwater Bodies in Southern Ontario, Canada
Notice bibliographique
Résumé
Many Canadian freshwater ecosystems are polluted by agricultural runoff, impairing their function with increased nutrient levels. Here, we simulated the water filtration function of wetlands, which uses aquatic plant species to create a phytoremediation system that can address the contamination of freshwater ecosystems with excess nutrients. We collected the water samples from three of Ontario’s freshwater bodies: the Holland Marsh, a highly agricultural area; the Nottawasaga River, a river in a rural area and part of a greater Nottawasaga watershed and Lake Ontario, near industrial sites in the Niagara region. To filter nitrogen (N), phosphorus (P) and potassium (K) from the collected samples, we determined the effectiveness of five local wetland and agricultural plant species: duckweed (Lemnoideae), watercress (Nasturtium officinale), coontail (Ceratophyllum demersum), thyme (Thymus praecox) and parsley (Petroselinum crispum). During a five-month experiment, plants were grown in collected water samples to determine their ability to uptake N, P and K. Along with monitoring their effectiveness in lowering nutrient levels, we tracked the health and growth of each plant species. The results showed that duckweed was the most tolerant to high nutrient concentrations and the most effective at overall nutrient reduction. From the Holland Marsh sample with the highest nutrient concentrations among all collected samples, the duckweed reduced N, P, and K by 11%, 53%, and 21%, respectively, compared to the control sample (i.e., with no plant). This filtration system allows for ecosystem restoration and prevention of further damage and contamination from agricultural runoff and nutrient pollution.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».